پیش بینی شدت حوادث ترافیکی در جاده های برون شهری استان اصفهان با استفاده از شبکه های عصبی بازگشتی

تکنیک های یادگیری عمیق نقشی مهمی در دنیای مدرن امروزی ایفا می کنند. در سال های اخیر شبکه عصبی بازگشتی منجر به تحقیقات گسترده ای برای پیش بینی سری های زمانی شده است. این مطالعه تلاش می کند تا با در نظر گرفتن وابستگی های سری زمانی با استفاده از شبکه عصبی بازگشتی مبتنی بر الگوریتم حافظه طولانی کوتاه مدت، جهت پیش بینی شدت صدمات رانندگی براساس ۱۰۲۶۹ سوابق تصادفی که از سال ۱۳۹۷ الی آذر ۱۴۰۰ در جاده های استان اصفهان رخ داده است، طراحی و پیاده سازی شود. برای انجام این کار چندین معماری و پیکربندی شبکه از طریق جستجوی سیستماتیک شبکه برای تعیین یک شبکه بهینه برای پیش بینی شدت آسیب تصادفات ترافیکی مورد آزمایش قرار گرفتند. معماری شبکه انتخاب شده به طور کامل با هفت متغیر مستقل، یک لایه حافظه طولانی کوتاه مدت با ۶۴ گره ورودی و یک لایه خروجی با تابع بیشینه هموار تشکیل شده است. همچنین برای درک مزایا و مقایسه بهتر در این مدل، دو الگوریتم بهینه از جمله الگوریتم گرادیان نزولی تصادفی و الگوریتم بهینه آدام نیز باهم مقایسه شدند به-طوری که نتایج حاصل از مدل روی شبکه، نشان داد که الگوریتم بهینه آدام بهتر از الگوریتم گرادیان نزولی تصادفی عمل می کند چرا که دقت مدل در هنگام استفاده از الگوریتم آدام برابر با ۲۶/۷۳ % شد در حالی که برای الگوریتم گرادیان نزولی تصادفی دقت مدل به ۲۰/۶۸ % رسید. یافته های این مطالعه نشان داد که مدل شبکه عصبی بازگشتی در چهارچوب یادگیری عمیق می تواند ابزار امیدوارکننده ای برای پیش بینی شدت تصادفات باشد.

کلیدواژه ها:

یادگیری عمیق ، شبکه عصبی بازگشتی ، حافظه طولانی کوتاه مدت ، تابع بیشینه هموار ، الگوریتم بهینه آدام ، الگوریتم بهینه گرادیان نزولی تصادفی